許多人談到 AI 應用時，第一個想到的是「Prompt 寫得好不好」。但在真正的 AI 工程裡，Prompt 只是最內層，也是最基礎的一層。
一個可靠的 AI 系統，通常不是只靠一句漂亮的提示詞完成，而是由 Prompt、Context、Harness、Loop 四個層次逐步包覆而成。每往外一層，AI 就從「能回答」變成「更穩定、更可靠，甚至能自動運作」。
1. Prompt Engineering｜提示工程
Prompt Engineering 指的是你直接輸入給 AI 的內容，也就是你在對話框中寫下的指令。
它包含你怎麼描述任務、希望 AI 做什麼、輸出要長什麼樣子，以及有哪些事情不要做。這是大多數人開始使用 AI 的第一步，也是最容易被注意到的一層。
好的 Prompt 確實很重要，但它不是全部。因為如果模型缺乏背景資料、參考範例或任務脈絡，即使提示寫得再漂亮，AI 仍然可能只能憑空猜測。
2. Context Engineering｜上下文工程
Context Engineering 指的是模型在看到你的 Prompt 之前，已經接收到的所有資訊。
這些資訊可能包含系統指令、參考文件、過去的對話紀錄、資料庫內容、使用者偏好，以及優秀輸出的範例。簡單來說，Context 決定了 AI 是在「有資料、有脈絡」的狀態下回答，還是在資訊不足的狀態下猜答案。
很多時候，一個普通的 Prompt 搭配良好的 Context，會比一個寫得很精美但完全沒有背景資料的 Prompt 更有效。這也是為什麼在實際產品或 Agent 系統中，整理資料、選擇上下文、控制模型能看到什麼，會變得非常重要。
3. Harness Engineering｜框架工程
Harness Engineering 指的是包在模型外圍的程式、工具與控制機制。
這一層不是在調整 Prompt 本身，而是在設計「模型怎麼被使用」。例如工具路由、API 呼叫、格式驗證、錯誤重試、輸出結構化、自動檢查結果、權限控管，都是 Harness Engineering 的一部分。
有了這一層，AI 就不只是「看起來很聰明」，而是開始變得可靠。當模型輸出結果前，系統會先檢查格式是否正確、資料是否完整、是否需要重新產生，甚至決定要不要呼叫其他工具補足資訊。這些機制讓 AI 更適合被放進正式流程，而不是只停留在聊天或展示效果。
4. Loop Engineering｜迴圈工程
Loop Engineering 是最外層，也是最接近自動化系統的一層。
在這一層，你不再需要每次手動下指令，而是設定一個目標與停止條件，讓系統自行執行。AI 會在迴圈中反覆產生結果、檢查結果、調整方向，直到達成條件或需要人工介入為止。
例如自動整理資料、定期產生報告、監控異常、反覆測試程式碼、根據結果修正內容，都可以透過 Loop Engineering 來完成。當 AI 進入這一層，你就不再是每一步都要按下按鈕的人，而是變成設計流程與判斷邊界的人。
總結
AI 工程不是只有「會不會寫 Prompt」而已。
Prompt Engineering 解決的是「怎麼問」。
Context Engineering 解決的是「模型看到了什麼」。
Harness Engineering 解決的是「模型如何被可靠地使用」。
Loop Engineering 解決的是「系統能不能自己持續運作」。
再好的 Prompt，沒有 Context，模型仍然只能猜測。
再好的 Context，沒有 Harness，輸出仍可能飄移不穩。
再好的 Harness，沒有 Loop，你仍然需要手動啟動每一次執行。
真正成熟的 AI 應用，是把這四層逐步建立起來，讓 AI 從單次回答，進化成可以被信任、被整合，甚至能自動完成任務的工程系統。
原始文章來源：X@alex_prompter
